Sistema computacional para el diagnóstico de la enfermedad de Parkinson empleando el análisis de señales de voz
No Thumbnail Available
Date
2019
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Santiago de Cali
Abstract
Parkinson's disease (PD) is the second most common neurodegenerative disorder after Alzheimer's disease. This disorder mainly affects older adults at a rate of about 2%, and about 89% of people diagnosed with PD also have speech disorders. This has led to the development of different research in voice processing for Parkinson's patients, which allows not only a diagnosis of the pathology but also a follow-up of its evolution. In recent years, a large number of studies have focused on the automatic detection of pathologies related to the voice, in order to make objective evaluations of the voice in a non-invasive manner. In cases where the pathology primarily affects the vibratory patterns of vocal folds such as Parkinson's, the analyses typically performed are sustained vowel pronunciations. In this article, it is proposed to use information from slow and rapid variations in voice signals, also known as modulating components, combined with an effective feature reduction approach that will be used as input to the classification system. The proposed approach achieves success rates higher than 88%, surpassing the classical approach based on cepstrales coefficients on the Mel scale (MFCC), this was achieved by extracting characteristics in voice records from a Spanish language database, consequent to this was organized into a vector of characteristics and subsequent estimation was made to the diagnosis of the pathology. The results show that the information extracted from components with slow and fast variations is highly discriminatory to support the assisted diagnosis of PD. This information can also be used as a complement to existing systems.
Description
La enfermedad de Parkinson (PD), es el segundo trastorno neurodegenerativo más frecuente después del Alzheimer. Este trastorno afecta principalmente a adultos mayores en una proporción aproximadamente del 2%, además, alrededor del 89% de las personas diagnosticadas con PD también sufre trastornos del habla. Esto ha motivado a que se desarrollen diferentes investigaciones en procesamiento de voz para pacientes con Parkinson, que permita no solo hacer diagnóstico de la patología sino también un seguimiento de su evolución. En los últimos años un gran número de trabajos se han centrado en la detección automática de patologías relacionadas con la voz, con el fin de realizar evaluaciones objetivas de la voz de manera no invasiva. En los casos en que la patología afecta principalmente a los patrones vibratorios de los pliegues vocales como lo es el Parkinson, los análisis que se llevan a cabo típicamente son las pronunciaciones de vocales sostenidas. En este artículo, se propone utilizar información de variaciones lentas y rápidas en señales de voz, también conocidas como componentes moduladoras combinándolo con un enfoque eficaz de reducción de características que se utilizarán como entrada al sistema de clasificación. El enfoque propuesto alcanza tasas acierto superior al 88%, superando el enfoque clásico basado en los coeficientes cepstrales en la escala de Mel (MFCC), esto se logró extrayendo características en registros de voz de una base datos de idioma español, consecuente a esto se organizó en un vector de características y posterior se realizó la estimación al diagnóstico de la patología. Los resultados muestran que la información extraída a partir de componentes con variaciones lentas y rápidas es altamente discriminatoria para apoyar al diagnóstico asistido del PD además se puede emplear dicha información como complemento a los sistemas existentes
Keywords
Parkinson, Componentes Moduladoras, Reconocimiento de Patrones, Características de Covarianza
Citation
Moofarry Villaquiran, J. F. (2019). Sistema computacional para el diagnóstico de la enfermedad de Parkinson empleando el análisis de señales de voz. Universidad Santiago de Cali.